如何构建BI数据仓库以及BI数据分析的应用

BI数据仓库是为了便于多维分析和多角度展示数据按特定模式进行存储所建立起来的关系型数据库。在商业智能系统的设计中，数据仓库的构建是关键，是商业智能系统的基础，承担对业务系统数据整合的任务，为商业智能系统提供数据抽取、转换和加载(ETL)，并按主题对数据进行查询和访问，为联机数据分析和数据挖掘提供数据平台。

FineBI的BI数据仓库的构建主要包括确定需求，确定主题和数据仓库建模。

确定需求和主题

需求是系统的使用者，通常是企业中高层管理人员所关心的问题。主题是为了高效可靠地利用数据，根据需求分析把分散的数据重组，按照不同的主题进行统一管理。

数据仓库建模

数据仓库的建模则包括概念模型设计、逻辑模型设计和物理模型设计3个部分，每一步都是对用户需求的逐步细化。

概念模型设计

概念模型以用户能理解的方式表达数据仓库的结构，确定数据仓库要访问的信息，与具体的系统实现无关，它是企业最高层次的抽象，主要是以图标的形式反映主题数据多维性，指明用户希望从数据仓库中分析的各种指标。它包含3个重要对象:指标、维度和类别。

逻辑模型

逻辑模型是在概念模型的基础上对主题进行细化。每个主题域包含若干数据表，并为表增加时间字段，进行表的分割，合理化表的划分，消除纯粹是操作型的数据，增加导出字段，定义关系模式和记录系统等。常用的结构有星型结构和雪花型结构。

物理数据模型

物理模型设计是为了提高数据仓库的性能，同时考虑存储效率和查询效率，包括确定数据的存储结构、确定索引策略、确定数据存放位置及存储分配等。物理数据模型设计不但与用户的需求有关，更依赖于数据管理系统和硬件设施。

BI数据分析主要是基于OLAP(联机分析处理)技术用于支持复杂的分析操作，侧重于辅助企业决策者和高层管理人员的决策，以便分析人员快速灵活地进行大数据量的复杂查询处理，并且以一种直观而易懂的数据形式供分析人员查看，帮助管理者实时全面地了解企业的经营状况。

BI数据分析应用较为广泛，按业务功能可分为问题诊断、业务预测、效果评估、探索性研究;按业务主题应用可包括财务主题分析、销售主题分析、客户研究分析等。

销售分析

在对销售情况进行分析时，由于数据具有很强的地域性和实时性，以往的报表方式因滞后的弊端很难有成效。通过商业智能系统FineBI平台，我们可以进行销售、回款、应收款、可售库存、推盘、动态成本、杜邦分析、资金计划等各类细分主题的分析，以地图、环比图、漏斗图等特征图表配以钻取联动显示，可以较好地从数据中观测销售过程出现的问题。

财务分析

在建立企业财务分析时，我们可以建立绩效指标库和行业或标杆指标库作为财务分析的数据源。在绩效考核模型、投资评估模型、财务风险模型、经营分析模型的基础上分别建立资产主题、盈利主题、资金主题、收入主题、成本费用主题、存货主题等。通过这些分析主题对企业进行进度监控和经营预警，从而达到对企业战略的控制。

客户关系分析

很多行业尤其是零售制造业需要对客户生命周期进行细致的分析。按照客户的生命周期，从潜在客户再到保有客户，增值客户，再到摇摆客户，流失客户和挽回客户，可建立客户细分模型，潜在客户转化模型，营销活动反馈模型，客户价值细分模型，交叉销售模型，垂直销售模型，客户忠诚度模型。这些都是企业营销决策的分析基础。